mmdetection 训练模型怎么显示精度和召回率

mmdetection 是一个基于 PyTorch 的开源目标检测框架。在使用 mmdetection 训练模型时，通常在验证阶段会计算并显示精度（Precision）、召回率（Recall）以及它们的综合指标，如平均精度均值（mAP）。

1. 精度（Precision）：精度是指在所有被模型预测为正类的样本中，真正为正类的样本所占的比例。公式为：Precision = True Positives / (True Positives + False Positives)。

2. 召回率（Recall）：召回率是指在所有真实为正类的样本中，被模型正确预测为正类的样本所占的比例。公式为：Recall = True Positives / (True Positives + False Negatives)。

在 mmdetection 中，可以通过设置配置文件中的 `evaluation` 字段来指定评估指标，通常使用 COCO 数据集评估标准，会自动计算精度和召回率。在训练过程中，每隔一定周期（由 `interval` 字段指定）会进行验证，并在控制台输出评估结果。如果要查看具体的精度和召回率曲线，需要将验证的结果保存下来，并使用可视化工具进行绘制。

要显示精度和召回率曲线，你可以使用以下步骤：

- 在配置文件中确保 `evaluation` 字段已经设置好，例如：

evaluation = dict(interval=1, metric='bbox', save_best='mAP')

- 开始训练模型，并在训练日志中观察到类似以下的输出（取决于所使用的评估标准）：

+-------+
|   mmdet version     | 2.4.0 |       -             |
+---------------------+-------+---------------------+
| date time           |       | 2021-04-15_12:34:56 |
+---------------------+-------+---------------------+
| #GPU                |   4   |       -             |
+---------------------+-------+---------------------+
| frameworks          |       | pytorch             |
+---------------------+-------+---------------------+
| task type           |  bbox |       -             |
+---------------------+-------+---------------------+
| model type          |  faster_rcnn |       -        |
+---------------------+-------+---------------------+
| checkpoint          |       |       -             |
+---------------------+-------+---------------------+
| mode                |  train|       -             |
+---------------------+-------+---------------------+
| #training samples   |  11380|       -             |
+---------------------+-------+---------------------+
| #test samples       |   5000|       -             |
+---------------------+-------+---------------------+
| start time          |       | 2021-04-15_12:34:58 |
+-------+
| best mAP            |  0.35 |       -             |
+---------------------+-------+---------------------+
| epoch               |   1   |       -             |
+---------------------+-------+---------------------+
| iter                |   1234|       -             |
+---------------------+-------+---------------------+
| time elapsed        |  120s |       -             |
+---------------------+-------+---------------------+
| memory              |  12345|       -             |
+--+---------------------+
| lr                  | 0.0001|       -             |
+---------------------+-------+---------------------+
| dataset/eval        |       | coco/bbox           |
+---------------------+-------+---------------------+
| dataset/samples     |   5000|       -             |
+---------------------+-------+---------------------+
| AP@0.5              |  0.35 |       -             |
| AP@0.5:0.95         |  0.18 |       -             |
| AP@0.50:0.95        |  0.18 |       -             |
| AR@100              |  0.52 |       -             |
| AR@300              |  0.57 |       -             |
| AR@1000             |  0.57 |       -             |
| AP_s@0.5            |  0.16 |       -             |
| AP_s@0.5:0.95       |  0.09 |       -             |
| AP_m@0.5            |  0.37 |       -             |
| AP_m@0.5:0.95       |  0.20 |       -             |
| AP_l@0.5            |  0.49 |       -             |
| AP_l@0.5:0.95       |  0.25 |       -             |
+-------+-------+---------------------+

- 如果需要手动计算精度和召回率曲线，可以编写脚本来分析验证集的结果文件，一般保存为 `.pkl` 或 `.json` 格式，然后绘制曲线。可以使用 matplotlib 等库来实现这一过程。

为了进一步了解如何使用 mmdetection 完成训练并评估模型，请参考其官方文档。